न्यूरल दोलन (न्यूरल ऑसिलेशन) विद्युत गतिविधि के लयबद्ध पैटर्न होते हैं जो पूरे मस्तिष्क में स्मृति, गति और संवेदी प्रसंस्करण का समर्थन करते हैं। फिर भी जब इन दोलनों को इलेक्ट्रोएन्सेफलोग्राम (ईईजी) रिकॉर्डिंग का उपयोग करके खोपड़ी पर दर्ज किया जाता है, तो वे एक शोर से भरे, लगातार बदलते रहने वाले सिग्नल के भीतर दबे हुए मिलते हैं।
किसी भी एकल इलेक्ट्रोड से मिलने वाला रॉ वोल्टेज ट्रेस मांसपेशियों की गतिविधि, पर्यावरणीय हस्तक्षेप और पृष्ठभूमि के विद्युत शोर के ऊपर स्थित हजारों न्यूरल स्रोतों की संयुक्त गतिविधि को दर्शाता है। उस मिश्रण में से एक स्पष्ट दोलन को बाहर निकालने के लिए एक ऐसी विधि की आवश्यकता होती है जो रिकॉर्डिंग को उसके आवृत्ति घटकों (फ्रीक्वेंसी कॉम्पोनेंट्स) में विभाजित कर सके।
टेम्पोरल डेटा और फ्रीक्वेंसी को समझना
टेम्पोरल डेटा विशिष्ट टाइमस्टैम्प द्वारा अनुक्रमित टिप्पणियों के एक निरंतर रिकॉर्ड के रूप में मौजूद होता है, जो यह दर्शाता है कि एक निर्दिष्ट अवधि में एक सिस्टम कैसे विकसित होता है।
नसों का विज्ञान (neuroscience) के संदर्भ में, इसमें आमतौर पर मस्तिष्क की गतिशीलता को समझने के लिए खोपड़ी से विद्युत क्षमता की रिकॉर्डिंग शामिल होती है। ये डेटासेट शायद ही कभी स्थिर होते हैं; इनमें लयबद्ध संकेतों और स्टोकेस्टिक उतार-चढ़ाव का मिश्रण होता है जिसके व्यावहारिक Insight प्राप्त करने के लिए सावधानीपूर्वक व्याख्या की आवश्यकता होती है।
टेम्पोरल डेटा क्या है?
टेम्पोरल डेटा, या टाइम सीरीज़ डेटा, सुसंगत अंतरालों पर क्रमिक रूप से लिए गए मापों का प्रतिनिधित्व करता है। इस डेटा की उपयोगिता इसकी सैंपलिंग फ्रीक्वेंसी और ऑब्जर्वेशन विंडो की लंबाई पर निर्भर करती है, जो पता लगाने योग्य परिवर्तनों के रिज़ॉल्यूशन को निर्धारित करती है।
शोधकर्ता सिस्टम की स्थिरता का मूल्यांकन करने और लंबी अवधि तक बने रहने वाले रुझानों की पहचान करने के लिए इन अनुक्रमों की जांच करते हैं।
डेटा में फ्रीक्वेंसी की अवधारणा
फ्रीक्वेंसी से तात्पर्य उस दर से है जिस पर एक समय श्रृंखला (टाइम सीरीज़) के भीतर आवधिक पैटर्न दोहराते हैं, जिसे आमतौर पर प्रति सेकंड चक्रों में मापा जाता है। इन लय का मूल्यांकन करके, विश्लेषक डेटा को संचालित करने वाली अंतर्निहित प्रक्रियाओं को वर्गीकृत कर सकते हैं।
निम्नलिखित सूची प्रमुख फ्रीक्वेंसी बैंड की रूपरेखा तैयार करती है जो अक्सर मानव जैविक निगरानी अनुप्रयोगों में देखे जाते हैं:
डेल्टा तरंगें (Delta waves): आमतौर पर गहरी, आरामदायक नींद के चरणों से जुड़ी होती हैं।
थीटा तरंगें (Theta waves): अक्सर हल्की नींद या ध्यान की अवस्था के दौरान देखी जाती हैं।
अल्फा तरंगें (Alpha waves): विशिष्ठ रूप से शांत, सचेत विश्राम के दौरान प्रचलित होती हैं।
बीटा तरंगें (Beta waves): अक्सर सक्रिय संज्ञानात्मक एकाग्रता और सतर्कता से जुड़ी होती हैं।
गामा तरंगें (Gamma waves): उच्च-स्तरीय प्रसंस्करण और एकीकरण कार्यों से जुड़ी होती हैं।
यह वर्गीकरण अवस्थाओं के सटीक मानचित्रण की अनुमति देता है, जिससे जांचकर्ताओं को शारीरिक मार्करों (physiological markers) और पृष्ठभूमि की परिवर्तनशीलता के बीच अंतर करने में मदद मिलती है।
टेम्पोरल डेटा को फ्रीक्वेंसी में क्यों विघटित (Decompose) करें?
अपघटन (Decomposition) एक विश्लेषणात्मक लेंस के रूप में काम करता है, जो कच्चे, शोर वाले सिग्नल को अलग-अलग घटक भागों में विभाजित करता है। इस संरचनात्मक विभाजन के बिना, विभिन्न मस्तिष्क लय के बीच जटिल अंतःक्रियाएं कुल आयाम में दबी रहती हैं। इन घटकों को अलग करके, शोधकर्ता विशिष्ट न्यूरल दोलनों का स्वतंत्र रूप से विश्लेषण कर सकते हैं, जिससे संज्ञानात्मक अवस्थाओं की वास्तविक जटिलता प्रकट होती है।
पैटर्न और चक्रों की पहचान करना
टेम्पोरल डेटा के भीतर पैटर्न की पहचान उन सुसंगत न्यूरल चक्रों की पहचान करने की अनुमति देती है जो विशिष्ट उत्तेजनाओं या कार्यों के तहत खुद को दोहराते हैं। इन चक्रों की पहचान करने से आधारभूत मेट्रिक्स मिलते हैं जो स्वस्थ मस्तिष्क गतिविधि (healthy brain activity) को असामान्य पैटर्न से अलग करते हैं।
एक बार जब अपघटन के माध्यम से किसी पैटर्न को अलग कर लिया जाता है, तो उच्च सांख्यिकीय विश्वास के साथ इसके प्रकट होने और इसकी अवधि को ट्रैक करना संभव हो जाता है।
शोर में कमी और सिग्नल संवर्द्धन
शारीरिक रिकॉर्ड से पर्यावरणीय कलाकृतियों, जैसे कि 60Hz पावर लाइन व्यवधान, को हटाने के लिए प्रभावी संकेत प्रसंस्करण (signal processing) आवश्यक है। वैध जैविक डेटा की फ्रीक्वेंसी सीमाओं को परिभाषित करके, शोधकर्ता अवांछित सिग्नल घटकों को खत्म करने के लिए फिल्टर लागू करते हैं।
यह सिग्नल निष्कर्षण प्रक्रिया मौलिक रूप से और अधिक नैदानिक समीक्षा के लिए अंतर्निहित डेटा की स्पष्टता को मजबूत करती है।
पूर्वानुमान और भविष्य कहनेवाला मॉडलिंग (Predictive Modeling)
भविष्य कहनेवाला मॉडल विघटित खंडों का लाभ उठाकर सिस्टम में बदलाव या इवेंट ट्रिगर का अनुमान लगाते हैं, इससे पहले कि वे पूर्ण आयाम में प्रकट हों। ये मॉडल टाइम सीरीज़ के भविष्य के विकास को प्रोजेक्ट करने के लिए पहचानी गई फ्रीक्वेंसी घटकों की स्थिरता पर भरोसा करते हैं।
यह क्षमता सक्रिय नैदानिक निगरानी और दीर्घकालिक मस्तिष्क प्लास्टिसिटी में प्रयोगात्मक अनुसंधान दोनों का समर्थन करती।
टेम्पोरल डेटा अपघटन (Decomposition) की प्रमुख तकनीकें
यह सुनिश्चित करने के लिए कि परिवर्तित डेटा मूल न्यूरल गतिविधि का प्रतिनिधित्व करता है, अपघटन के लिए गणितीय सटीकता की आवश्यकता होती है।
कैप्चर किए गए सिग्नलों के निवारण (रिज़ॉल्यूशन) और स्थिरता के आधार पर कई स्थापित पद्धतियां अद्वितीय लाभ प्रदान करती हैं। एक उपयुक्त उपकरण का चयन करने के लिए कम्प्यूटेशनल मांग के साथ टेम्पोरल और स्पेक्ट्रल दोनों सटीकता की आवश्यकता को संतुलित करना पड़ता है।
फूरियर ट्रांसफॉर्म के तरीके
फूरियर विश्लेषण समय-डोमेन संकेतों को उनके फ्रीक्वेंसी-डोमेन समकक्षों में मैप करने के लिए एक आधारभूत दृष्टिकोण के रूप में कार्य करता है। यह विधि स्थिर फ्रीक्वेंसी घटकों की पहचान करने में उत्कृष्ट है, हालांकि समय के साथ बदलने वाले क्षणिक सिग्नलों का विश्लेषण करते समय इसे सीमाओं का सामना करना पड़ता है।
निम्नलिखित तालिका वर्तमान शोध वातावरण में लागू की जाने वाली प्रमुख अपघटन तकनीकों की तुलना प्रदान करती है:
तकनीक | प्राथमिक ताकत | सीमा |
|---|---|---|
फूरियर ट्रांसफॉर्म (Fourier Transform) | उच्च फ्रीक्वेंसी की सटीकता | कमजोर टेम्पोरल स्थानीयकरण |
वेवलेट ट्रांसफॉर्म (Wavelet Transform) | समय-फ्रीक्वेंसी का संतुलन | कम्प्यूटेशनल जटिलता |
एकवचन स्पेक्ट्रम विश्लेषण (Singular Spectrum Analysis) | डेटा-संचालित अपघटन | शोर के प्रति संवेदनशीलता |
वेवलेट ट्रांसफॉर्म (Wavelet Transforms)
वेवलेट ट्रांसफॉर्म सिग्नल को स्कैन करने के लिए मदर वेवलेट को फैलाकर और स्थानांतरित करके एक बहु-रिज़ॉल्यूशन विश्लेषण प्रदान करता है।
फूरियर विधियों के विपरीत, यह दृष्टिकोण समय और फ्रीक्वेंसी दोनों में स्थानीयकृत जानकारी बनाए रखता है, जिससे यह ईईजी (EEG) माप में सामान्य क्षणिक विद्युत स्पाइक्स को कैप्चर करने के लिए उपयुक्त बन जाता है। तेजी से डेटा परिवर्तनों के दौरान गैर-स्थिर विशेषताओं, जिन्हें पारंपरिक स्पेक्ट्रल तरीके अनदेखा कर सकते हैं, की पहचान करने के लिए यह अनुकूलनशीलता महत्वपूर्ण है।
सिंगुलर स्पेक्ट्रम विश्लेषण (SSA)
सिंगुलर स्पेक्ट्रम विश्लेषण एक गैर-पैरामीट्रिक दृष्टिकोण प्रदान करता है जो स्वयं डेटा की संरचना के आधार पर एक समय श्रृंखला को प्रवृत्ति, दोलन और शोर घटकों में विघटित करता है। समय श्रृंखला को एक बहुआयामी अंतरिक्ष में एम्बेड करके और सिंगुलर वैल्यू डिकंपोजिशन करके, SSA सबसे महत्वपूर्ण संरचनात्मक पैटर्न निकालता है।
यह सिग्नलों के शोधन की अनुमति देता है, भले ही इसके पीछे की उत्पादन प्रक्रिया अज्ञात या अत्यधिक गैर-रेखीय हो।
फूरियर ट्रांसफॉर्म ईईजी सिग्नलों को कैसे विभाजित करता है
फ्रीक्वेंसी विश्लेषण के लिए शास्त्रीय प्रारंभिक बिंदु फूरियर ट्रांसफॉर्म है, जो एक गणितीय ऑपरेशन है जो एक सिग्नल को विभिन्न फ्रीक्वेंसी पर साइन तरंगों के योग में विघटित करता है।
अपने शुद्ध गणितीय रूप में, फूरियर ट्रांसफॉर्म एक अनंत सिग्नल को मानता है जिसके सांख्यिकीय गुण कभी नहीं बदलते हैं, एक ऐसी स्थिति जो वास्तविक ईईजी रिकॉर्डिंग कभी पूरी नहीं करती है। व्यवहार में, शोधकर्ता रिकॉर्डिंग के छोटे, विंडो वाले खंडों (आमतौर पर कुछ सेकंड लंबे) में असतत फूरियर ट्रांसफॉर्म (DFT) लागू करके इसका समाधान करते हैं, और परिणाम का उपयोग पावर स्पेक्ट्रल डेंसिटी (PSD) का अनुमान लगाने के लिए करते हैं, जो यह निर्धारित करता है कि उस विंडो के भीतर प्रत्येक फ्रीक्वेंसी पर कितना सिग्नल पावर मौजूद है।
यह समाधान दो मुख्य धारणाओं के साथ आता है:
पहला, सिग्नल को इस तरह लिया जाता है जैसे कि वह चुनी गई विंडो की अवधि के लिए स्थिर था, जिसका अर्थ है कि यह माना जाता है कि इसकी फ्रीक्वेंसी सामग्री समय के उस हिस्से में नहीं बदलती है।
दूसरा, सिग्नल को निश्चित साइन तरंगों के एक रैखिक योग के रूप में मॉडल किया जाता है, एक ऐसा सन्निकटन जो सुचारू, आवधिक गतिविधि के लिए अच्छी तरह से काम करता है लेकिन अचानक बदलाव या गैर-साइनसोइडल आकृतियों के साथ संघर्ष करता है।
इन सरलीकरणों के बावजूद, PSD-आधारित दृष्टिकोण व्यवहार में बार-बार उपयोगी साबित हुए हैं।
उदाहरण के लिए, मोटर इमेजरी वर्गीकरण के लिए वर्णक्रमीय विशेषता निष्कर्षण विधियों के एक तुलनात्मक विश्लेषण (comparative analysis) में पाया गया कि दो रिकॉर्डिंग सत्रों में ग्यारह विषयों पर मूल्यांकन किए गए बाएं हाथ और दाएं हाथ के आंदोलन इमेजरी को अलग बताने के लिए विशिष्ट स्पेक्ट्रल पैटर्न निकालने में PSD तकनीकें सबसे लगातार मजबूत और प्रभावी थीं।
इसके अतिरिक्त, उनींदेपन का पता लगाने पर केंद्रित एक अलग अध्ययन (study focused on drowsiness detection) इस पैटर्न को सुदृढ़ करता है। एकल ईईजी चैनल का उपयोग करते हुए, शोधकर्ताओं ने वेवलेट-आधारित विशेषताओं के साथ-साथ केंद्रीय फ्रीक्वेंसी, वह फ्रीक्वेंसी जिसके नीचे वर्णक्रमीय शक्ति का एक चौथाई हिस्सा आता है, कुल वर्णक्रमीय ऊर्जा, और थीटा तथा अल्फा बैंड के भीतर की शक्ति सहित PSD उपायों के संयोजन से एक विशेषता सेट तैयार किया।
इस संयुक्त दृष्टिकोण ने 86.5 प्रतिशत सटीकता के साथ उनींदेपन के प्रकरणों का और 81.7 प्रतिशत सटीकता के साथ सतर्कता खंडों का पता लगाया। उस विशेषता सेट का PSD घटक वर्णक्रमीय सामग्री में सकल, स्थिति-निर्भर बदलावों को ट्रैक कर रहा था, जो मिलीसेकंड-दर-मिलीसेकंड दोलन घटना के बजाय मानसिक अवस्थाओं के बीच व्यापक संक्रमण का प्रकार था।
साथ में, ये दोनों अध्ययन संकेत देते हैं कि PSD अनुमान, अपनी स्थिरता की धारणा के बावजूद, बदलते मस्तिष्क अवस्थाओं से बंधे सार्थक स्पेक्ट्रल पैटर्न को कैप्चर करने में सक्षम है, भले ही उन पैटर्न को उत्पन्न करने वाला संकेत गतिशील हो।
एम्पिरिकल मोड डीकंपोजिशन (EMD) और इसका अनुकूली विकल्प
एम्पिरिकल मोड डीकंपोजिशन (EMD) पूरी तरह से अलग दृष्टिकोण अपनाता है। किसी सिग्नल को साइन तरंगों के पूर्वनिर्धारित आधार पर मजबूर करने के बजाय, EMD अनुकूली रूप से सिग्नल को ही घटकों के एक सेट में छानता है जिसे आंतरिक मोड फ़ंक्शन (IMFs) कहा जाता है।
प्रत्येक IMF को सीधे डेटा की अपनी दोलन संरचना से निकाला जाता है, जो सिद्धांत रूप में इस पद्धति को सांख्यिकीय रूप से स्थिर रहने की आवश्यकता के बिना आयाम और फ्रीक्वेंसी में तात्कालिक परिवर्तनों का पालन करने की अनुमति देता है।
विशेष रूप से, EMD के कुछ ज्ञात दोष भी हैं, जिसमें मोड मिक्सिंग की प्रवृत्ति शामिल है, जहाँ एक एकल IMF में एक से अधिक वास्तविक फ्रीक्वेंसी बैंड के दोलन आ जाते हैं, और शोर के प्रति संवेदनशीलता जो अपघटन को विकृत कर सकती है।
एक संबंधित तकनीक, वेरिएशनल मोड डीकंपोजिशन (VMD), आंशिक रूप से इन अस्थिरता के मुद्दों को हल करने के लिए विकसित की गई थी। VMD अधिक विवश गणितीय संरचना का उपयोग करके बैंड-सीमित मोड (प्रत्येक एक विशिष्ट फ्रीक्वेंसी पर केंद्रित) निकालता है, जो मानक EMD की तुलना में अधिक स्थिर परिणाम देने की प्रवृत्ति रखता है।
एक 2019 के शोध अध्ययन (2019 research study) ने ईईजी रिकॉर्डिंग में मिर्गी के दौरे की घटनाओं का पता लगाने के लिए मोड स्पेक्ट्रल एन्ट्रॉपी (जो किसी दी गई फ्रीक्वेंसी मोड की अनियमितता को मापता है) नामक उपाय के साथ VMD को लागू किया। प्रीप्रोसेसिंग कदम के बाद जिसमें चैनल चयन के लिए मुख्य घटक विश्लेषण (principal component analysis) शामिल था, इस विधि ने बॉन ईईजी डेटाबेस पर 98 से 100 प्रतिशत सटीकता प्राप्त की। अधिक चुनौतीपूर्ण CHB-MIT डेटासेट पर, इसने 88.55 प्रतिशत की औसत संवेदनशीलता, 94.86 प्रतिशत की विशिष्टता, और 72.92 प्रतिशत की सटीकता प्रदान की।
यह परिणाम दर्शाता है कि मोड-आधारित अपघटन अत्यधिक गैर-स्थिर, क्षणिक न्यूरल घटनाओं को सफलतापूर्वक संभाल सकते हैं, क्योंकि दौरा परिभाषा के अनुसार आधारभूत मस्तिष्क गतिविधि से अचानक, अल्पकालिक प्रस्थान होता है।
स्पैटियो-स्पेक्ट्रल डीकंपोजिशन (SSD) स्रोत-मिश्रण समस्या को हल करता है
स्पैटियो-स्पेक्ट्रल डीकंपोजिशन (SSD) एक रैखिक अपघटन विधि है जो पूरे सेंसर सरणी में काम करती है, जो चैनलों के एक स्थानिक संयोजन की खोज करती है जो एक लक्षित शिखर फ्रीक्वेंसी पर सिग्नल पावर को अधिकतम करती है और साथ ही दोनों तरफ पड़ोसी फ्रीक्वेंसी बिन पर बिजली को कम करती है। आउटपुट केवल एक क्लीनर स्पेक्ट्रम नहीं है बल्कि एक पैटर्न है जो दिखाता है कि कौन से इलेक्ट्रोड स्थान, और विस्तार से मोटे तौर पर कौन से अंतर्निहित मस्तिष्क क्षेत्र, उस विशिष्ट दोलन में सबसे अधिक योगदान करते हैं।
इस पद्धति को पेश करने वाले अनुसंधान (Research) ने प्रदर्शित किया कि SSD दोलनशील सिग्नलों को विश्वसनीय रूप से निकाल सकता है, भले ही सिग्नल-टू-नॉइज़ अनुपात 1 से 10 जितना कम हो, यह देखते हुए एक कठिन परीक्षण है कि रुचि के संकेत की तुलना में शोर कितना मजबूत था।
आमने-सामने की तुलना में, SSD ने स्वतंत्र घटक विश्लेषण (independent component analysis (ICA)) पर आधारित पारंपरिक दृष्टिकोणों को पीछे छोड़ दिया। जब वास्तविक ईईजी डेटा पर लागू किया गया, तो SSD ने केंद्रीय, सेंसोरिमोटर स्थानों से मेल खाने वाले स्थानिक पैटर्न के साथ घटकों को अलग कर दिया और साथ ही ओकिपिटो-पैरिएटल, पश्च स्थानों से मेल खाने वाले अलग घटकों को भी अलग किया।
टेम्पोरल डेटा अपघटन का भविष्य
कम्प्यूटेशनल शक्ति और मशीन लर्निंग एल्गोरिदम में प्रगति शास्त्रीय स्पेक्ट्रल अपघटन को डेटा-संचालित भविष्य कहनेवाला आर्किटेक्चर के साथ विलय करने लगी है। ये एकीकृत प्रणालियाँ बायोमार्कर के निष्कर्षण को स्वचालित करने का वादा करती हैं, जिससे न्यूरल गतिशीलता के रीयल-टाइम विश्लेषण की अनुमति मिलती है जिसके लिए पहले लंबे समय तक ऑफ़लाइन प्रसंस्करण की आवश्यकता होती थी। इन पद्धतियों के अभिसरण से संभवतः डेटा अधिग्रहण और नैदानिक कार्रवाई के बीच की देरी कम हो जाएगी, जिससे अधिक उत्तरदायी मस्तिष्क-कंप्यूटर इंटरफेस (brain-computer interfaces) की सुविधा मिलेगी।
अनुसंधान तेजी से क्वांटम-वर्धित स्पेक्ट्रल एस्टीमेटर विकसित करने पर ध्यान केंद्रित कर रहा है जो शास्त्रीय विंडोिंग कार्यों में निहित सीमाओं से परे हैं। वेवलेट सेट की बैंडविड्थ दक्षता को अनुकूलित करके, जांचकर्ताओं को सुपर-रिज़ॉल्यूशन प्राप्त करने की उम्मीद है जो मिलीमीटर पैमाने पर ओवरलैपिंग कॉर्टिकल स्रोतों के बीच अंतर कर सकती है। यह विकास एक ऐसे भविष्य की ओर इशारा करता है जहां सिग्नल की निगरानी काफी अधिक बारीक और सुलभ हो जाएगी।
ग्लोबल रिसर्च प्रयोगशालाओं में मानकीकरण टेम्पोरल डेटा विज्ञान के अगले दशक के लिए एक महत्वपूर्ण उद्देश्य बना हुआ है। प्रदर्शन मूल्यांकन के लिए बेंचमार्क स्थापित करने से यह सुनिश्चित होगा कि तकनीकी प्रगति प्रतिलिपि प्रस्तुत करने योग्य और सार्वजनिक स्वास्थ्य अनुप्रयोगों में अनुवाद योग्य है। जैसे-जैसे ये पद्धतियां स्थिर होंगी, मौलिक तंत्रिका विज्ञान अनुसंधान और व्यावहारिक नैदानिक उपयोगिता के बीच का अंतर काफी हद तक कम होने की उम्मीद है।
निष्कर्ष
मानव शरीर विज्ञान में विद्युत संकेतों की जटिलता को समझने के लिए टेम्पोरल डेटा को फ्रीक्वेंसी में विघटित करने की तकनीक एक महत्वपूर्ण विषय बनी हुई है। शोर वाले डेटासेट से सार्थक पैटर्न निकालने के लिए मजबूत गणितीय तरीकों को लागू करके, शोधकर्ता स्थिरता की निगरानी करने और पैथोलॉजिकल बदलावों का पता लगाने की अपनी क्षमता में सुधार करते हैं।
जैसे-जैसे ये विश्लेषणात्मक ढांचे विकसित होते रहेंगे, वे न्यूरोलॉजिकल अनुसंधान की सटीकता और बाद के नैदानिक परिणामों की प्रभावकारिता को और बढ़ाएंगे।
संदर्भ
Herman, P., Prasad, G., McGinnity, T. M., & Coyle, D. (2008). Comparative analysis of spectral approaches to feature extraction for EEG-based motor imagery classification. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 16(4), 317-326. https://doi.org/10.1109/TNSRE.2008.926694
Garces Correa, A., & Laciar Leber, E. (2010). An automatic detector of drowsiness based on spectral analysis and wavelet decomposition of EEG records. Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference, 2010, 1405–1408. https://doi.org/10.1109/IEMBS.2010.5626721
Das, P., Manikandan, M. S., & Ramkumar, B. (2018, December). Detection of epileptic seizure event in EEG signals using variational mode decomposition and mode spectral entropy. In 2018 IEEE 13th International Conference on Industrial and Information Systems (ICIIS) (pp. 42-47). IEEE. https://doi.org/10.1109/ICIINFS.2018.8721426
Nikulin, V. V., Nolte, G., & Curio, G. (2011). A novel method for reliable and fast extraction of neuronal EEG/MEG oscillations on the basis of spatio-spectral decomposition. NeuroImage, 55(4), 1528-1535. https://doi.org/10.1016/j.neuroimage.2011.01.057
अक्सर पूछे जाने वाले प्रश्न
समय (Time) और आवृत्ति (Frequency) डोमेन के बीच क्या अंतर है?
समय डोमेन दिखाता है कि समय के साथ सिग्नल का आयाम कैसे बदलता है, जबकि फ्रीक्वेंसी डोमेन दिखाता है कि सिग्नल का कितना हिस्सा विशिष्ट फ्रीक्वेंसी बैंड के भीतर रहता है।
क्या वास्तविक समय (Real-time) में टेम्पोरल अपघटन किया जा सकता है?
हाँ, आधुनिक डिजिटल सिग्नल प्रोसेसिंग हार्डवेयर फ्रीक्वेंसी घटकों की निरंतर गणना की अनुमति देता है, जिससे रीयल-टाइम निगरानी और फीडबैक अनुप्रयोग सक्षम होते हैं।
वास्तविक मस्तिष्क गतिविधि से शोर (Noise) को कैसे अलग किया जाता है?
शोर को आमतौर पर ज्ञात न्यूरल गतिविधि श्रेणियों के बाहर फ्रीक्वेंसी बैंड की पहचान करके या पर्यावरणीय हस्तक्षेप से जुड़े विशिष्ट स्थानिक या वर्णक्रमीय हस्ताक्षरों को पहचानकर अलग किया जाता है।
फूरियर ट्रांसफॉर्म ईईजी से फ्रीक्वेंसी की जानकारी कैसे निकालता है?
फूरियर ट्रांसफॉर्म एक सिग्नल को साइन तरंगों के योग में विघटित करता है, यह मानते हुए कि सिग्नल एक छोटी समय विंडो के भीतर स्थिर है। पावर स्पेक्ट्रल डेंसिटी (PSD) तब मापती है कि प्रत्येक फ्रीक्वेंसी पर कितनी शक्ति मौजूद है, जिससे दोलनों की एक त्वरित तस्वीर मिलती है।
एम्पिरिकल मोड डीकंपोजिशन (EMD) फूरियर विश्लेषण से कैसे भिन्न है?
EMD स्थिरता को माने बिना सिग्नल को आंतरिक मोड कार्यों में आसानी से छानता है, जिससे यह तत्काल फ्रीक्वेंसी और आयाम परिवर्तनों को ट्रैक करने में सक्षम होता है। यह इसे सैद्धांतिक रूप से म्यू (mu) जैसी गैर-स्थिर लय के लिए बेहतर अनुकूल बनाता है, हालांकि यह मोड मिक्सिंग से पीड़ित हो सकता है।
आप मोड डीकंपोजिशन पद्धति पर PSD को कब चुनेंगे?
विभिन्न स्थितियों में व्यापक, प्रतिलिपि प्रस्तुत करने योग्य स्पेक्ट्रल पैटर्न का अध्ययन करते समय PSD एक मजबूत विकल्प है, जैसे कि मोटर इमेजरी कार्यों की तुलना करना। मानसिक अवस्थाओं को वर्गीकृत करने के लिए इसकी कम्प्यूटेशनल सादगी और स्थापित विश्वसनीयता इसे तब प्रभावी बनाती है जब त्वरित परिवर्तनों का सटीक समय महत्वपूर्ण नहीं होता है।
Emotiv एक न्यूरोटेक्नोलॉजी लीडर है जो सुलभ ईईजी (EEG) और मस्तिष्क डेटा उपकरणों के माध्यम से तंत्रिका विज्ञान (न्यूरोसाइंस) अनुसंधान को आगे बढ़ाने में मदद कर रहा है।
चिकित्सा संबंधी अस्वीकरण (Medical Disclaimer): इस वेबसाइट पर प्रदान की गई जानकारी केवल शैक्षिक और सूचनात्मक उद्देश्यों के लिए है और इसे चिकित्सा या स्वास्थ्य सलाह के रूप में नहीं माना जाना चाहिए। इस सामग्री में त्रुटियां हो सकती हैं और जीवन को प्रभावित करने वाले स्वास्थ्य, चिकित्सा या जीवन शैली के विकल्प चुनने के लिए इस पर भरोसा नहीं किया जाना चाहिए। किसी चिकित्सीय स्थिति या उपचार के संबंध में आपके किसी भी प्रश्न के लिए हमेशा अपने चिकित्सक या अन्य योग्य स्वास्थ्य प्रदाता की सलाह लें।
क्रिश्चियन बर्गोस
